論文の概要: KG-TREAT: Pre-training for Treatment Effect Estimation by Synergizing
Patient Data with Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2403.03791v1
- Date: Wed, 6 Mar 2024 15:37:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 14:35:57.494865
- Title: KG-TREAT: Pre-training for Treatment Effect Estimation by Synergizing
Patient Data with Knowledge Graphs
- Title（参考訳）: KG-TREAT:知識グラフを用いた患者データ同期による治療効果推定のための事前トレーニング
- Authors: Ruoqi Liu, Lingfei Wu, Ping Zhang
- Abstract要約: KG-TREATは、バイオメディカル知識グラフを用いて、大規模観察患者データを相乗化して、治療効果の推定を強化する。
KG-TREATは、患者のデータとKGの徹底的な基盤化とコンテキスト化を確保するために、2つの事前訓練タスクを組み込んでいる。
4つの下流TEEタスクの評価は、既存の方法よりもKG-TREATの方が優れており、ROC曲線(AUC)下の領域では平均7%、影響に基づく不均一効果推定精度(IF-PEHE)は9%向上している。
- 参考スコア（独自算出の注目度）: 46.24838619931438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Treatment effect estimation (TEE) is the task of determining the impact of
various treatments on patient outcomes. Current TEE methods fall short due to
reliance on limited labeled data and challenges posed by sparse and
high-dimensional observational patient data. To address the challenges, we
introduce a novel pre-training and fine-tuning framework, KG-TREAT, which
synergizes large-scale observational patient data with biomedical knowledge
graphs (KGs) to enhance TEE. Unlike previous approaches, KG-TREAT constructs
dual-focus KGs and integrates a deep bi-level attention synergy method for
in-depth information fusion, enabling distinct encoding of treatment-covariate
and outcome-covariate relationships. KG-TREAT also incorporates two
pre-training tasks to ensure a thorough grounding and contextualization of
patient data and KGs. Evaluation on four downstream TEE tasks shows KG-TREAT's
superiority over existing methods, with an average improvement of 7% in Area
under the ROC Curve (AUC) and 9% in Influence Function-based Precision of
Estimating Heterogeneous Effects (IF-PEHE). The effectiveness of our estimated
treatment effects is further affirmed by alignment with established randomized
clinical trial findings.
- Abstract（参考訳）: 治療効果推定 (TEE) は、様々な治療が患者に与える影響を判定するタスクである。
現在のTEE法は, 限られたラベル付きデータへの依存と, スパースおよび高次元の患者データによる課題により, 不足している。
これらの課題に対処するため,我々は,生物医学知識グラフ(KGs)と大規模観察患者データを相乗化してTEEを強化する,新しい事前学習・微調整フレームワークKG-TREATを導入する。
従来のアプローチとは異なり、KG-TREATは二重焦点KGを構築し、深部情報融合のための深部二段階の注意相乗法を統合し、処理-共変量および結果-共変量関係の符号化を可能にする。
KG-TREATはまた、患者のデータとKGの徹底的な基盤化とコンテキスト化を確保するために、2つの事前訓練タスクも組み込んでいる。
4つの下流TEEタスクの評価は、既存の方法よりもKG-TREATの方が優れており、ROC曲線(AUC)下のエリアでは平均7%改善し、機能に基づく不均質効果の推定精度(IF-PEHE)は9%向上した。
また, 既往のランダム化臨床試験結果と一致させることで, 治療効果が評価された。
関連論文リスト
- Explainable AI for Classifying UTI Risk Groups Using a Real-World Linked EHR and Pathology Lab Dataset [0.47517735516852333]
英国ブリストル,ノースサマセット,サウスグロスターシャーの尿路感染症(UTI)を特徴付けるために,リンクEHRデータセットを利用する。
包括的なデータ前処理とキュレーションパイプラインは、生のEHRデータをAIモデリングに適した構造化フォーマットに変換する。
臨床専門知識によりUTIリスク推定フレームワークを構築し,個別の患者タイムラインにまたがってUTIリスクを推定する。
論文 参考訳（メタデータ） (2024-11-26T18:10:51Z) - Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z) - LATTE: Label-efficient Incident Phenotyping from Longitudinal Electronic
Health Records [11.408950540503112]
本稿では, LAbel-efficienT incidenT phEnotypingアルゴリズムを提案する。
LATTEは2型糖尿病の発症、心不全、多発性硬化症の発症と再発の3つの分析に基づいて評価された。
論文 参考訳（メタデータ） (2023-05-19T03:28:51Z) - FineEHR: Refine Clinical Note Representations to Improve Mortality
Prediction [3.9026461169566673]
大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。
臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。
本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
論文 参考訳（メタデータ） (2023-04-24T02:42:52Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - A causal learning framework for the analysis and interpretation of
COVID-19 clinical data [7.256237785391623]
ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。
特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。
対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
論文 参考訳（メタデータ） (2021-05-14T15:58:18Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Estimating Individual Treatment Effects with Time-Varying Confounders [9.784193264717098]
医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。
既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存している。
時系列重み付け (DSW) を用いて, ITE の時間変化を推定する手法を提案する。
論文 参考訳（メタデータ） (2020-08-27T02:21:56Z) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-12T09:50:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。